Negli ultimi anni, l’Italia e l’Europa stanno attuando un processo di decarbonizzazione, al fine di raggiungere l’obiettivo di neutralità carbonica entro il 2050. Questa transizione è guidata dalla necessità di generare una sempre maggiore quota di energia da fonti rinnovabili. La decarbonizzazione comporta, di conseguenza, un cambiamento radicale nei modelli energetici, con una prevalenza di generazione distribuita derivante da fonti pulite, come il solare e l’eolico, rispetto al modello storico, con produzione centralizzata da fonti non rinnovabili.

L’impossibilità di programmare la produzione di energia da queste fonti risulta essere una sfida, in termini di resilienza e sicurezza del sistema elettrico nazionale, soprattutto per quanto riguarda il bilanciamento tra domanda e generazione. È quindi necessario disporre delle stime di produzione e di carico con un anticipo di almeno una giornata. Oltre che per la gestione in sicurezza del sistema, tali previsioni, con orizzonti temporali di 24÷72 ore in avanti, sono fondamentali anche per le contrattazioni del Mercato del Giorno Prima.

All’interno di questo lavoro ci si è concentrati sulla previsione operativa di produzione di 8 parchi eolici, situati tra la Sicilia e la Calabria e sulla previsione di domanda di energia elettrica per una linea a media tensione a Milano, sia in forma aggregata che in corrispondenza di alcuni feeder. Per quanto riguarda la produzione eolica, è stato inizialmente realizzato un caso studio sulle annate 2021/2022 e, in seguito, è stata realizzata una catena operativa che esegue previsioni a 72 ore con due corse giornaliere.

In entrambi i casi sono stati sperimentati sistemi di machine learning quali: Random Forest, Gradient Boosting Machine e Support Vector Machine. Per quanto riguarda il caso studio si è riscontrata la possibilità di effettuare previsioni con un’alta affidabilità per ciascuno dei sistemi di machine learning testati, a patto di effettuare un’accurata ricerca degli iper-parametri. Per la gestione operativa delle previsioni, si evidenza invece una significativa differenza di prestazioni, a causa dell’impossibilita di disporre di dati validati nel mese precedente al giorno della corsa e di aggiornare frequentemente gli iper-parametri. Si è quindi proceduto alla realizzazione di un dataset ragionato, a partire dalle distribuzioni di Weibull del vento osservato, per ridurne la dimensionalità e i tempi di calcolo.

Da questo dataset sono state estratte una serie di previsioni elementari, variando modello di machine learning e i modelli meteorologici previsionali in input, per la realizzazione di un ottimizzatore previsionale. Per quanto riguarda la domanda di carico, invece, è stata effettuata una previsione fino a tre giorni in avanti, basandosi sui modelli di machine learning quali Random Forest e Gradient Boosting Machine, insieme a metodi statistici come le functional Principal Component Analysis (fPCA). Si è riscontrato che Il metodo fPCA consegue, nella maggioranza dei casi, indici di correlazione maggiori e indici di errore minori rispetto ai restanti metodi testati.